基于新型MASLD风险评分(MRS)和随机森林模型的代谢相关脂肪肝疾病筛查与分级评估工具开发及验证

本研究针对代谢相关脂肪肝疾病(MASLD)早期诊断和分级评估的临床需求，开发了基于常规生物标志物的MASLD风险评分(MRS)和随机森林(RF)模型。通过整合尿酸、HOMA-IR等新型指标与肝酶、BMI等传统参数，在NHANES数据库和印度队列中分别实现0.91/0.85的AUROC，准确率达94%/82%，显著优于现有FLI、HSI等指数，为资源受限地区提供了可解释性强、成本效益高的筛查方案。

　　

代谢相关脂肪肝病(MASLD)已成为全球最常见的慢性肝病，影响着约30-35%的成年人群体。这种疾病谱从单纯性脂肪变性到非酒精性脂肪性肝炎(NASH)、肝纤维化甚至肝硬化和肝癌，同时增加心血管疾病风险和全因死亡率。在印度，MASLD患病率高达32-45%，肥胖人群更达59.1%。然而当前诊断金标准——肝活检具有侵入性且成本高昂，而超声、CT等影像学检查要么敏感性不足（超声检测需要肝脏脂肪含量达33%才能可靠检出），要么价格昂贵（CT单次检查费用达60-180美元）。现有FLI、HSI等评分模型虽被广泛使用，但存在人群普适性差、无法评估疾病进展阶段等局限。

为突破这些瓶颈，来自Bhaktivedanta医院和MetFlux研究公司的Sanjaay Balakrishnan团队开发了两种创新诊断工具：MASLD风险评分(MRS)和随机森林(RF)模型。研究整合了美国NHANES(2000-2020)公共数据库和印度临床队列数据，通过数据驱动的特征选择方法，构建了包含尿酸、稳态模型评估的胰岛素抵抗指数(HOMA-IR)、肝酶(ALT/AST/GGT)、甘油三酯、腰围和BMI等关键参数的预测体系。MRS采用公式化评分方式便于临床解读，而RF模型则通过机器学习捕捉复杂非线性关系。两种方法均实现了对MASLD严重程度的分级评估，突破了传统模型仅能判断疾病有无的局限。

关键技术方法包括：1) 从CDC NHANES数据库和印度临床队列(103例受试者，含56例MASLD患者)获取多中心数据；2) 通过数据驱动筛选关键生物标志物；3) 构建可解释的MRS评分公式；4) 开发基于相同特征的RF机器学习模型；5) 采用受试者工作特征曲线(AUROC)和准确率等指标进行性能验证。

【Base line characteristics of the clinical study population】
研究分析了103名参与者的基线特征，发现餐后血糖、尿酸、ALT、AST和甘油三酯在MASLD III-IV级患者中显著升高，而HOMA-IR、BMI和腰围在II级患者中差异最明显，提示这些指标对疾病分级具有指示价值。

【Approach & results】
MRS在公共数据集和临床队列中分别取得0.91和0.85的AUROC，准确率达94%和82%。RF模型表现同样出色，AUROC为0.87(公共)和0.94(临床)，准确率83%和82%。两种方法均显著优于FLI、HSI等传统指数，且与超声结果高度一致。值得注意的是，MRS通过纳入人口统计学多样性优化参数，增强了模型在不同人群中的适用性。

【Discussion】
研究突破在于：首次整合尿酸这一反映氧化应激的关键指标和HOMA-IR这一胰岛素抵抗核心指标；采用大数据驱动的特征选择确保统计稳健性；实现疾病严重程度分级功能。相比需要特殊设备的肝弹性成像，MRS仅需常规检测项目，在资源有限地区更具推广价值。

【Conclusion】
该研究为MASLD筛查提供了兼具高准确性(94%)和成本效益的解决方案。MRS的公式化设计便于临床解读，而RF模型则展示了机器学习在复杂代谢疾病诊断中的优势。两种方法互补，可适应不同医疗场景需求，为实现MASLD的早期干预和分级管理提供了重要工具。未来需通过多中心临床验证进一步确认其广泛适用性。